一种数据预测方法及装置制造方法及图纸

本发明专利技术提供了一种数据预测方法及装置，属于数据处理领域。本发明专利技术提供的数据预测方法及装置，在使用n个学习模型进行数据预测的时候，通过计算由n个学习模型和待预测数据D组成的n个可接受模型数据对应的可接受度，将可接受度最高的可接受模型数据对应的学习模型确定为目标学习模型，最后将利用该目标学习模型预测出的预测结果，确定为待预测数据的目标预测结果，以可接受度作为目标预测结果的确定依据，提高了预测结果的准确度。

【技术实现步骤摘要】
一种数据预测方法及装置
本专利技术涉及数据处理领域，更具体地，涉及一种数据预测方法及装置。
技术介绍
目前，对于数据的挖掘、分析以及预测的学习方法越来越多。实际应用中，对数据进行预测的时候经常会需要利用多种学习模型对数据进行预测，得到对应的多个预测结果。现有技术中，通常将多个预测结果进行比较，确定出目标预测结果，但是使用现有技术进行确定的时候，预测结果的准确度较低。
技术实现思路
本专利技术提供了一种数据预测方法与装置，以解决现有技术中预测结果的准确度较低的问题。第一方面，提供了一种数据预测方法，所述方法包括：利用n个学习模型(A1、A2…An)对待预测数据D进行预测，得到对应的n个预测结果(R1，R2…Rn)，其中，n为不小于2的整数；利用所述n个学习模型和所述待预测数据D组成n个可接受模型数据{(D，A1)(D，A2)…(D，An)}，利用预设可接受度学习模型计算所述n个可接受模型数据对应的可接受度；将可接受度最高的可接受模型数据对应的学习模型Ax确定为目标学习模型；将利用所述目标学习模型Ax预测出的预测结果Rx，确定为所述待预测数据D的目标预测结果。可选的，所述在利用预设可接受度学习模型计算所述n个可接受模型数据对应的可接受度之前，所述方法还包括：构建所述预设可接受度学习模型。可选的，所述构建所述预设可接受度学习模型，包括：利用m种学习方法对一组已知预测结果的数据C进行计算，得到m个学习模型(B1、B2…Bm)，其中，m为不小于2的整数；利用所述m个学习模型对所述已知预测结果的数据C进行预测，得到m个预测结果；根据所述m个预测结果与已知预测结果之间的误差，确定误差最小的预测结果对应的学习模型Bx；利用所述已知预测结果的数据C和所述误差最小的预测结果对应的学习模型Bx构建可接受度模型构建数据(C，Bx)；利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型。可选的，所述利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型，包括：对所述可接受度模型构建数据(C，Bx)进行过拟合处理；利用后向神经网络方法对所述过拟合处理后的可接受度模型构建数据(C，Bx)进行计算，得到所述预设可接受度学习模型。可选的，所述利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型，还包括：利用支持向量机模型方法、逻辑回归模型方法或波尔兹曼机模型方法对所述可接受度模型构建数据集(C，Bx)进行计算，得到所述预设可接受度学习模型。第二方面，提供了一种数据预测装置，所述装置包括：预测模块，用于利用n个学习模型(A1、A2…An)对待预测数据D进行预测，得到对应的n个预测结果(R1，R2…Rn)，其中，n为不小于2的整数；计算模块，用于利用所述n个学习模型和所述待预测数据D组成n个可接受模型数据{(D，A1)(D，A2)…(D，An)}，利用预设可接受度学习模型计算所述n个可接受模型数据对应的可接受度；第一确定模块，用于将可接受度最高的可接受模型数据对应的学习模型Ax确定为目标学习模型；第二确定模块，用于将利用所述目标学习模型Ax预测出的预测结果Rx，确定为所述待预测数据D的目标预测结果。可选的，所述装置还包括：构建模块，用于构建所述预设可接受度学习模型。可选的，所述构建模块，包括：计算子模块，用于利用m种学习方法对一组已知预测结果的数据C进行计算，得到m个学习模型(B1、B2…Bm)，其中，m为不小于2的整数；预测子模块，用于利用所述m个学习模型对所述已知预测结果的数据C进行预测，得到m个预测结果；确定子模块，用于根据所述m个预测结果与已知预测结果之间的误差，确定误差最小的预测结果对应的学习模型Bx；第一构建子模块，用于利用所述已知预测结果的数据C和所述误差最小的预测结果对应的学习模型Bx构建可接受度模型构建数据(C，Bx)；第二构建子模块，用于利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型。可选的，所述第二构建子模块，用于：对所述可接受度模型构建数据(C，Bx)进行过拟合处理；利用后向神经网络方法对所述过拟合处理后的可接受度模型构建数据(C，Bx)进行计算，得到所述预设可接受度学习模型。可选的，所述第二构建子模块，还用于：利用支持向量机模型方法、逻辑回归模型方法或波尔兹曼机模型方法对所述可接受度模型构建数据集(C，Bx)进行计算，得到所述预设可接受度学习模型。与相关技术相比，本专利技术具有以下优点：本专利技术实施例提供的一种数据预测方法及装置，在使用n个学习模型进行数据预测的时候，通过计算由n个学习模型和待预测数据D组成的n个可接受模型数据对应的可接受度，将可接受度最高的可接受模型数据对应的学习模型确定为目标学习模型，最后将利用该目标学习模型预测出的预测结果，确定为待预测数据的目标预测结果，以可接受度作为目标预测结果的确定依据，提高了预测结果的准确度。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1为本专利技术一示意性实施例提供的一种数据预测方法的步骤流程图；图2-1为本专利技术一示意性实施例提供的一种数据预测方法的步骤流程图；图2-2为本专利技术一示意性实施例提供的一种构建预设可接受度学习模型方法流程图；图2-3为本专利技术一示意性实施例提供的另一种构建预设可接受度学习模型方法流程图；图2-4为本专利技术一示意性实施例提供的一种后向神经网络的结构示意图；图3-1为本专利技术一示意性实施例提供的一种数据预测装置框图；图3-2为本专利技术一示意性实施例提供的另一种数据预测装置框图；图3-3为本专利技术一示意性实施例提供的一种构建模块框图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。图1是本专利技术实施例提供的一种数据预测方法的步骤流程图，该方法可以包括：步骤101、利用n个学习模型(A1、A2…An)对该待预测数据D进行预测，得到对应的n个预测结果(R1，R2…Rn)。其中，n为不小于2的整数。步骤102、利用n个学习模型和待预测数据D组成n个可接受模型数据{(D，A1)(D，A2)…(D，An)}，利用预设可接受度学习模型计算n个可接受模型数据对应的可接受度。步骤103、将可接受度最高的可接受模型数据对应的学习模型Ax确定为目标学习模型。步骤104、将利用目标学习模型Ax预测出的预测结果Rx，确定为待预测数据D的目标预测结果。综上所述，本专利技术实施例提供的数据预测方法，在使用n个学习模型进行数据预测的时候，通过计算由n个学习模型和待预测数据D组成的n个可接受模型数据对应的可接受度，将可接受度最高的可接受模型数本文档来自技高网...

【技术保护点】
一种数据预测方法，其特征在于，所述方法包括：利用n个学习模型(A1、A2…An)对待预测数据D进行预测，得到对应的n个预测结果(R1，R2…Rn)，其中，n为不小于2的整数；利用所述n个学习模型和所述待预测数据D组成n个可接受模型数据{(D，A1)(D，A2)…(D，An)}，利用预设可接受度学习模型计算所述n个可接受模型数据对应的可接受度；将可接受度最高的可接受模型数据对应的学习模型Ax确定为目标学习模型；将利用所述目标学习模型Ax预测出的预测结果Rx，确定为所述待预测数据D的目标预测结果。

【技术特征摘要】
1.一种数据预测方法，其特征在于，所述方法包括：利用n个学习模型(A1、A2…An)对待预测数据D进行预测，得到对应的n个预测结果(R1，R2…Rn)，其中，n为不小于2的整数；利用所述n个学习模型和所述待预测数据D组成n个可接受模型数据{(D，A1)(D，A2)…(D，An)}，利用预设可接受度学习模型计算所述n个可接受模型数据对应的可接受度；将可接受度最高的可接受模型数据对应的学习模型Ax确定为目标学习模型；将利用所述目标学习模型Ax预测出的预测结果Rx，确定为所述待预测数据D的目标预测结果。2.如权利要求1的方法，其特征在于，所述在利用预设可接受度学习模型计算所述n个可接受模型数据对应的可接受度之前，所述方法还包括：构建所述预设可接受度学习模型。3.如权利要求2的方法，其特征在于，所述构建所述预设可接受度学习模型，包括：利用m种学习方法对一组已知预测结果的数据C进行计算，得到m个学习模型(B1、B2…Bm)，其中，m为不小于2的整数；利用所述m个学习模型对所述已知预测结果的数据C进行预测，得到m个预测结果；根据所述m个预测结果与已知预测结果之间的误差，确定误差最小的预测结果对应的学习模型Bx；利用所述已知预测结果的数据C和所述误差最小的预测结果对应的学习模型Bx构建可接受度模型构建数据(C，Bx)；利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型。4.如权利要求3的方法，其特征在于，所述利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型，包括：对所述可接受度模型构建数据(C，Bx)进行过拟合处理；利用后向神经网络方法对所述过拟合处理后的可接受度模型构建数据(C，Bx)进行计算，得到所述预设可接受度学习模型。5.根据权利要求3的方法，其特征在于，所述利用所述可接受度模型构建数据(C，Bx)，构建所述预设可接受度学习模型，还包括：利用支持向量机模型方法、逻辑回归模型方法或波尔兹曼机模型方法对所述可接受度模型构建数据集(C，Bx)进行计算，得到所述预...

【专利技术属性】
技术研发人员：程之明，周训波，王智萍，
申请(专利权)人：大唐软件技术股份有限公司，
类型：发明
国别省市：北京,11